Gestion de Production: Pierre Lopez

1
P. Lopez ! LAAS-CNRS Gestion de Production 1

Gestion de Production
Pierre Lopez
LAAS-CNRS
Laboratoire d'Analyse et d'Architecture des Systmes
Centre National de la Recherche Scientifique
Toulouse
Plan du cours
! Introduction
Historique
Typologie des SP
Flexibilit, gestion d'activits
Structures organisationnelles
! Modles et mthodes en planification-ordonnancement
Programmation linaire
Thorie des graphes
Mthodes (gnrales) de rsolution exactes et approches
Mthodes spcifiques
! Mthodes gnrales en GP
Gestion des stocks
Planification des besoins en composants
Juste--temps
2
Bibliographie
! Vincent GIARD
Gestion de la production
Economica, 2003, 3
me
dition
! Jean BENASSY
La gestion de production
Hermes, 1998, 3me dition
! Patrick ESQUIROL et Pierre LOPEZ
L'ordonnancement
Economica, 1999
! Grard BAGLIN et al.
Management industriel et logistique
Economica, 1990
! Lionel DUPONT
La gestion industrielle
Hermes, 1998
! Pierre LOPEZ et Franois ROUBELLAT
Ordonnancement de la production
Herms, 2001
4
1re partie : Introduction
1. Historique
2. Dfinitions
2.1. Vision automaticienne
Systme de Production
Gestion de Production
GPAO
2.2. Vision systmique : 4 grandes activits
2.3. Trois sous-systmes
systme physique
systme dcisionnel
systme informationnel
2.4 Flexibilit
3. Gestion d'activits
3.1. Dfinition
3.2. Approche multiniveaux
3.3. Organisation matricielle
4. Typologie des systmes de production
4.1. en fonction de lorganisation des ressources
4.2. en fonction du pilotage de la production
3
Historique
! XVIII
me
s. : production artisanale
! XIX
me
s. : production manufacturire (armes, tabac)
! XX
me
s. : dsir de rationalisation des facteurs de production
" point de dpart de la gestion de production...
Taylor (1911) : organisation du travail base sur
! distinction radicale entre conception et excution
! recherche systmatique des conomies de gestes et mouvements
! utilisation maximale de la machine
Ford (1913) : standardisation de la production et travail la chane
! avance du concept de flexibilit dans les entreprises
Harris et Wilson (1913-1924) : quantit conomique
Fayol (1916) : modle hirarchique d'organisation de la production
! savoir, prvoir, organiser, commander, coordonner, contrler
Gantt (1917) : ordonnancement
SP GP GPAO (1)
! Systme de Production
vision automaticienne : transformer un ensemble de
matires premires ou de composants semi-finis en
produits finis
! Gestion de Production
assurer l'organisation du systme de production afin de
fabriquer les produits en quantits et temps voulus
compte tenu des moyens (humains ou technologiques)
disponibles
! Gestion de Production Assiste par Ordinateur
4
SP GP GPAO (2)
Systme
de
Production
mat. 1res
ou comp. ! finis
comp. ! finis
ou produits finis
GP
GPAO
! Avantage : vision synthtique
! Inconvnient : masquage des activits non orientes
fabrication (tude de march, conception, recherche, ...)
Vision systmique d'un SP
donnes
techniques
donnes
commerciales
gestion des
matires
gestion du
travail
suivi de
fabrication
fabrication
stocks
clients fournisseurs
gestion
de stocks
planification
ordonnancement
5
Quatre grandes activits de la GP
! gestion des donnes techniques
description des produits et des familles de produits
(nomenclatures)
description des processus de ralisation (gammes)
! gestion des donnes commerciales
reoit les commandes et tablit les calendriers de livraison souhaits
! gestion des matires
assurer l'approvisionnement en matires premires ou composants
assurer le stockage de produits fabriqus
! gestion du travail
organiser dans le temps la ralisation des tches en leur attribuant
les ressources ncessaires. Prend en compte les donnes techniques
et commerciales et celles du suivi de fabrication (quantits dj
fabriques, tat des ressources...).
Distingo de 3 sous-systmes dans un SP
! Systme physique
lments directement impliqus dans le processus de fabrication
soumis aux perturbations manant de l'environnement
! Systme dcisionnel
gestion des activits du systme physique
prise en compte des contraintes environnementales
besoin de ractivit
! Systme informationnel
assurer les liens systme physique-systme dcisionnel et systme
dcisionnel-environnement
besoin de ractivit
6
Flexibilit dans les entreprises
! Flexibilit
capacit d'un systme industriel crer ou grer la varit, afin de s'adapter
aux changements de l'environnement, internes (pannes machines, absences de
personnel...) ou externes (commandes urgentes, retard d'appros...), tout en
maintenant son quilibre
moyen pour une meilleure ractivit industrielle
! Flexibilit vs. Ractivit
flexibilit lie au nombre de choix possibles en rponse une perturbation
ractivit = processus de recherche de solution la perturbation
! Apparition d'alas
practivit : prparation un changement prvisible
proactivit : action en vue de provoquer un changement souhait
La gestion d'activits
! Activit = action d'un moyen socio-technique, d'une entreprise
! Gestion d'activits = organiser la programmation d'un ensemble
d'activits sous contraintes de temps et de ressources
! Applications
planification des flux
ordonnancement de tches / affectation de ressources
gestion de ressources
! Traitement
mthodes stochastiques vs. dterministes
mthodes exactes vs. approches
approches par contraintes
7
Gestion d'activits : approche multi-niveaux
! volume et htrognit des objectifs
! approche globale inadapte (trop complexe)
# distribution en plusieurs centres de dcision possdant
une abstraction et une hirarchie distinctes
! [Antony 65] : classification des dcisions dans une
structure 3 niveaux qui diffrent par :
l'horizon de dcision
le niveau de comptence hirarchique
l'agrgation de la dcision
Niveaux de dcision en planification
! planification long terme (dcisions stratgiques) :
dfinit la stratgie gnrale ou les macrostructures (tude de march,
investissements, campagne publicitaire)
horizon de $ 1 5 ans
! planification moyen terme (dcisions tactiques)
tablissement d'un plan de production (dfinition des taux de production
pour chaque famille de produits)
organisation des moyens
horizon de $ 1 mois 1 an
! planification court terme (dcisions oprationnelles)
dfinit des ordonnancements dtaills (objets terminaux et ressources
individualises)
horizon de $ 1 jour 1 semaine
! micro-planification (conduite)
temps rel
8
Structures organisationnelles en GP (1)
! Organisation hirarchique fonctionnelle
stratgique
tactique
oprationnel
systme de production
ordonnancement
planification
gestion de projet
Structures organisationnelles en GP (2)
! Organisation matricielle projet/mtier
Contexte de lIngnierie Concourante
ordonnancement # coordination entre diffrents acteurs
RP1 RP1 RP1
RM1
RM2
RM3
RM4
9
Typologie des SP (1)
! En fonction de l'organisation des ressources
production continue : produit ne peut attendre qu'une ressource se
libre (ex : industries de process sidrurgie, ptrochimie, chimie
lourde, pharmacie, agroalimentaire)
production de masse : produits quasi-identiques, en grande
quantit, moyens de production spcialiss et organiss afin
d'optimiser le cycle de production (ex : industrie automobile...)
production en petite et moyenne sries : diversit forte des
produits, type de demande (personnalis) prohibe quipement
spcialis # ressources polyvalentes, lancement par lot afin de
minimiser les cots lis a une campagne de fabrication (ex :
industries de sous-traitance : quipementiers, service)
production unitaire (gestion de projet) : production en trs faible
quantit, cycle de production lev, nombreuses ressources (ex :
industrie aronautique, spatial, BTP, )
! Organisation en ligne de production
ordre de passage sur les postes de travail toujours identique (flow
shop)
importance de la fiabilit du matriel, la panne d'une machine
provoquant l'arrt de la chane # prpondrance de la
maintenance
quilibrage de la chane afin que le produit passe un temps aussi
constant que possible sur chaque poste. But : flux rythm des
produits sans accumulation d'en-cours ni perte de temps.
10
! Organisation en ateliers
main d'uvre qualifie et quipements polyvalents
importance de la gestion des approvisionnements cots de
manutention importants
diminution des cots
! optimisation de la localisation relative des centres de production :
agencement de l'espace
! technologie de groupe : constitution de "sous-usines" base sur des
considrations techniques
multiplicit des routes entre postes de travail # prpondrance de
la problmatique d'ordonnancement
! Organisation de type srie unitaire
mobilisation de toutes les ressources de l'entreprise pour la
ralisation d'un projet, sur une assez longue priode
"survie" des entreprises ralise par la gestion en parallle de
plusieurs projets, des stades diffrents d'avancement
personnel qualifi excute des tches caractre non rptitif
quipements polyvalents
problme des stocks secondaire (produit fini non stockable et
approvisionnements spcifiques au projet)
problmes majeurs : respect des dlais et matrise des cots
rle essentiel de l'ordonnancement
11
! En fonction du pilotage de la production
production la commande : dclenche par la commande ferme
d'un client grande varit de produits, demande alatoire
production pour stock : dclenche par anticipation d'une demande
solvable ventail des produits restreint, demande importante et
prvisible
production mixte : fabrication sur stocks et la commande
" production flux tendus
22
2me partie
Modles et mthodes en
planification-ordonnancement
1. Planification - Programmation linaire
2. Problmes d'ordonnancement
2.1. Dfinitions
2.2. Contraintes
Contraintes temporelles - Ingalits de potentiels
Contraintes de ressources
2.3. Typologie des problmes
3. Ordonnancement de projet
Position du problme
Diagramme de Gantt
Graphe potenties-tches
Mthode PERT
4. Ordonnancement datelier
Position du problme et dfinitions
Problme une machine
Flow shop
Job shop
Open shop
12
Programmation Linaire (1)
! planification optimale du travail sur des ressources moyen
terme
! production = processus continu sur un horizon relativement
important
! modlisation par des quations ou des inquations linaires
o les inconnues sont les volumes de production sur chaque
priode
! Objet : dterminer ces inconnues de faon optimiser un
critre (minimisation des en-cours, des stocks, des cots,
maximisation des marges bnficiaires)
Max Z = A.X
sous : C.X % B
X & 0
Programmation Linaire (2)
! Exemple
2 produits 1 et 2 dont les marges brutes sont respectivement 3 et 5
units montaires par unit de produit
fabrication = usinage + montage
capacit de l'atelier d'usinage = 1800 h/mois
capacit de l'atelier de montage = 1000 h/mois
1 unit du produit 1 (resp. 2) ncessite 2 heures (resp. 3 heures)
d'usinage et 1 heure (resp. 2 heures) de montage
! Programme linaire
Dterminer : x
1
et x
2
qui
maximisent : 3x
1
et 5x
2
sous les contraintes : 2x
1
+3x
2
% 1800
x
1
+ 2x
2
% 1000
x
1
, x
2
& 0
13
PL : interprtation gomtrique
0
200 400 600 800 1000
200
400
600
800
(600, 200)
2
x
1

+

3
x
2
=

1
8
0
0
x
1

+
2
x
2 =
1
0
0
0
" x
1
"

x
2
x
1

=

0
x
2
= 0
! 600 units du produit 1 et 200 units du produit 2
! marge brute totale = 2800 units montaires
rgion
admissible
droite de pente -3/5
correspondant au critre
! Le Simplexe
mise en vidence d'une base (affectation de var.) ralisable initiale
identification de la solution optimale en partant de la solution
initiale et en passant par une suite de solution adjacentes
complexit exponentielle mais trs grande efficacit en pratique
! Problmes en nombres entiers
mthodes de coupe : relaxation des contraintes d'intgrit et
rsolution du problme continu
! optimum entier # STOP
! sinon ajout de contraintes de faon tronquer la rgion admissible (ou
polydre) sans exclure aucune solution entire, jusqu' ce que
l'optimum soit entier
mthodes d'exploration arborescente
! essentiellement pour les problmes bivalents (variables binaires)
PL : rsolution (1)
14
PL : rsolution (2)
mthode de coupe
une coupe
1re contrainte
2me contrainte
solution fractionnaire
PL : diffrents problmes
! Problme d'affectation
min '
i
'
j
c
ij
x
ij
sous '
j
x
ij
=1, ( i
'
i
x
ij
=1, ( j
x
ij
) {0,1} , ( i,j
! Problme de transport
min '
i
'
j
c
ij
x
ij
sous '
j
x
ij
%q
i
(quantit produite), ( i
'
i
x
ij
&d
j
(demande), ( j
x
ij
) * , ( i,j
! matrices totalement unimodulaires : sous-matrices carres
unimodulaires (dterminant = 1) ou singulires (dterminant = 0)
! la solution continue est entire
! mthodes de flot maximal cot minimal : algorithmes de Ford-
Fulkerson, de Busacker-Gowen,
! cf. problme du sac--dos : valeur associe chaque objet
! algorithme pour l'affectation : mthode hongroise
! algorithme pour le transport : stepping stone
15
! Problmes primal/dual
min Z = C
T
X max W = b
T
U
sous AX & b sous A
T
U % C
X & 0 U & 0
3 proprits de la dualit :
Le dual du dual est le primal
Z* = W*
La rsolution par l'algorithme primal permet de dterminer tous les
lments de la solution de son dual
! Solveurs : Xpress-MP, Cplex, Excel, Matlab (Tool Box
"Optimisation")
1re phase : relaxation en variables continues (Simplexe)
2me phase : optimisation combinatoire
PL : dualit et solveurs
Ordonnancement
dcrit
l'excution de tches
et
l'affectation de ressources
au cours du temps
compte tenu de contraintes
et de manire
satisfaire des objectifs
! ressource
moyen socio-technique disponible en
quantit limite (capacit)
renouvelable ou consommable
disjonctive ou cumulative
! tche (ou activit ou opration)
entit lmentaire caractrise par une date
de dbut et/ou de fin, une dure et une
intensit de ressource
interruptible ou non
! contrainte
restriction sur l'excution des tches
de temps ou de ressource
! objectif
optimalit vis--vis de critres
admissibilit vis--vis des contraintes
16
Profil d'excution d'une tche
prparation finition
temps
intensit de
ressource
phase principale
! On peut distinguer 3 phases dans l'excution de la tche
! La dure de la tche peut tre une fonction de la quantit de moyens
utiliss pour son excution (notion de vitesse ou de performance des
ressources) : p
i
=f[a
ik
(t)]
Problmes d'ordonnancement (1)
! Etant donn :
un ensemble de tches
un ensemble de ressources
! Dterminer :
quand les tches sont excutes ?
dbut (1), dure (2), fin (3)
A B
2
temps 3 1
5
! Applications
organisation du travail dans un atelier de fabrication
gestion de projet
confection d'emplois du temps
conception d'algorithmes de gestion (informatique, spatial, )
4
comment les ressources sont affectes aux tches ?
nature et intensit (4), squencement (5)
17
Plusieurs classes de problmes dterministes
! Ordonnancement sans contraintes de ressource
ex : ordonnancement de projet
un projet unique
nombre lev de tches
relations temporelles complexes (contraintes potentielles)
les niveaux de ressources
sont des variables de
dcision (peuvent tre
adapts au plan)
temps
ressources
D F
! Ordonnancement avec contraintes de ressource
ordonnancement d'atelier/informatique
! une machine
! m machines identiques
! m machines ddies
emploi du temps
! Ordonnancement avec ressources cumulatives
renouvelables/consommables
doublement contraintes
! Ordonnancement
premptif/non premptif
Un problme de flow-shop 3+3
D 21 22 F 23
11 12 13
31 32 33
Budget
temps
,
?
18
Ordonnancement/Affectation
! placement des tches en temps et en espace
! temps continu
! contraintes temporelles
! contraintes de ressources
ressources
temps
11
12 21
22 13
23
R2
R1
C
max
diagramme de Gantt
Optimisation : mthodes exactes
! Cheminement dans les graphes
! Procdures d'exploration arborescentes
algorithme de rsolution par tentative et retour arrire
(backtracking)
"Branch and Bound"
! Programmation mathmatique
programmation linaire en variables entires, mixtes
programmation dynamique
! Rsultats spcifiques
propres chaque type de problme
19
Optimisation : mthodes approches
! Heuristiques
"procdure exploitant au mieux la structure du problme considr, dans
le but de trouver une solution de qualit raisonnable en un temps de calcul
aussi faible que possible"
algorithmes gloutons (myopes)
rgles de priorit
! Mtaheuristiques
cadre gnral de rsolution composes de deux grandes parties :
! exploration : permet de visiter des rgions diffrentes dans l'espace des
solutions
! exploitation : permet de savoir o se trouvent les meilleures solutions
solution unique (Tabou, recuit simul, ...)
population de solutions (algorithmes gntiques, ...)
Tabou, Recuit (recherche locale)
! Principe
A partir d'une solution initiale connue x, amlioration du critre par la
recherche de la meilleure solution x' dans un voisinage de x ; si pas
d'amlioration arrt, sinon x=x'.
! Mthode Tabou
A partir d'une solution initiale x, on examine compltement le voisinage
de x. On conserve la meilleure solution x'. On mmorise la solution
retenue dans une liste taboue d'une longueur donne.
! Recuit simul
A partir d'une solution initiale x, un voisin x' est gnr alatoirement. On
calcule l'cart des fonctions cot -f = f(x')-f(x). Si -f % 0, x=x'. Si -f > 0,
x' remplace x avec une probabilit d'acceptation EXP(- -/T) o T est un
paramtre, appel temprature, qui dcrot au cours de la procdure.
20
Algorithmes gntiques
(approche volutive)
! Principe
Une population initiale est gnre alatoirement. Chaque solution
est code comme une chane de caractres (gnes). L'exploration
est ralise par les oprateurs de mutation (modification d'un gne)
et assure la diversification du voisinage ; l'exploitation est assure
par les oprateurs de croisement (permutation de gnes entre
solutions parents) et recherche les meilleurs enfants possibles.
Problme une machine
! Rgle de Smith : WSPT (stock d'encours, temps de cycle, retard
algbrique, moyens ou pondrs)
! Rgle de Jackson : EDD (retards maximum)
! Algorithme de Moore-Hodgson : EDD modifie (nombre de tches
en retard)
SPT
21
Flow Shop
Minimisation de la dure totale
! 2 machines # Rgle de Johnson :
le travail i prcde le travail j si dans une squence optimale si :
min(p
i1
, p
j2
) < min(p
j1
, p
i2
)
! Cas gnral : extension de la rgle de Johnson (heuristique CDS)
M1 M2 M3
M1
M2
M3
! Pas de stockage sur machine
(industrie agroalimentaire) #
flow shop sans attente
" problme du voyageur de commerce
Job Shop
Minimisation de la dure totale
! 2 machines # Algorithme de Jackson : bas sur la constitution de
4 familles (M1, M2, M1-M2, M2-M1) et rgle de Johnson
! 2 travaux # mthode graphique (Akers)
! Cas gnral : gnration d'ordonnancements actifs, sans retard,
heuristique de machine goulet ("bottleneck heuristic")
M1
M2
M3
22
Open Shop
! gammes de fabrication non connues l'avance
ex : construction de lotissements, rparation ou maintenance
d'engins, tenue d'examens mdicaux, ...
! 2 problmes
fixer un ordre de passage sur les machines pour chaque travail
trouver une squence de travaux sur chacune des machines
! Minimisation de la dure totale, 2 machines et non-
premption # rgle LAPT (Longest Alternate Processing
Time first) :
slection sur une machine libre du travail dont l'opration sur l'autre
machine possde la plus grande dure
! Pour d'autres critres ou ds la considration de 3 machines
" problmes NP-difficiles (sauf Om|pmtn|C
max
)
Contexte dynamique
! Arrive continuelle de nouveaux travaux
! Modifications des caractristiques du problme
! Informations modlises comme un processus stochastique rgi
par une loi alatoire
! Mthode analytique : thorie des files d'attente
valeurs des critres pour diffrentes rgles de priorit
rsultats analytiques sur les valuations en moyenne en rgime
stationnaire
rsultats pauvres pour les problmes d'atelier
! Simulation
base sur des mthodes de Monte Carlo (mthode de simulation du
hasard)
permet d'viter des hypothses trop simplificatrices
facilit de gnrer un ordonnancement et d'examiner divers scnarios
23
La gestion d'activits
! Activit = action d'un moyen socio-technique, d'une entreprise
! Gestion d'activits = organiser la programmation d'un ensemble
d'activits sous contraintes de temps et de ressources
! Applications
planification des flux
ordonnancement de tches / affectation de ressources
gestion de ressources
! Traitement
mthodes stochastiques vs. dterministes
mthodes exactes vs. approches
approches par contraintes approches par contraintes
Approche par contraintes
des problmes de dcision
! originalit : formulation du problme de dcision
exclusivement en termes de contraintes
! modle = < {variables de dcision}, {contraintes} >
contrainte = expression reliant des variables de dcision
solution = ensemble de valeurs qui satisfait toutes les contraintes
! caractristiques
analyse du problme, rduction de la combinatoire, sparation
analyse/rsolution
flexibilit, modularit de l'approche
adapte au contexte de l'aide la dcision (volution du modle)
24
! Problmes de Satisfaction de Contraintes (CSP)
rgles de cohrence locale pour les contraintes temporelles
stratgies de recherche heuristiques
! Thorie de l'ordonnancement
thormes de dominance
bornes infrieures et suprieures des solutions optimales
procdures arborescentes de rsolution
rgles de propagation des contraintes de ressources rgles de propagation des contraintes de ressources
! Programmation par contraintes
Programmation Logique avec Contraintes
librairies C++
Approche par contraintes
de l'ordonnancement
Propagation de contraintes (1)
! ensemble de techniques permettant de simplifier la
rsolution
! approche non-dterministe : caractrisation ensemble
de dcisions
renforcement de consistance : simplifier la rsolution du problme
(suppression des redondances, filtrage des valeurs des variables
n'appartenant aucune solution)
! structuration des dcisions
limitation des actions possibles
explicitation des degrs de libert disponibles
25
! Rgles d'limination et
d'ajustement lie aux
paires de disjonction
Tche 3
Tche 2
Tche 1
t
tches
Propagation
Tche 3
Tche 2
Tche 1
t
tches
Exemple :
d
j
- r
i
< p
i
+ p
j
# i non avant j
problme disjonctif # j avant i
# ajustements de r
i
et d
j
Ordonnancement & affectation
! problme mixte d'ordonnancement et d'affectation
affectation de ressources : ensemble de ressources possibles
# dures dpendantes des ressources
pour k, dure des tches variables p
i,k
) [p
i,k
min
, p
i,k
max
]
]) 7 5 [
1
( , , M
]) 12 9 [
2
( , M ,
,4]) 2 [
2
( , M
,10]) 6 [
1
( , M
,10]) 5 [
3
( , M
,4]) 2 [
3
( , M
,7]) 3 [
2
( , M
,10]) 5 [
4
( , M
,14]) 8 [
4
( , M
,6]) 3 [
1
( , M
! exemple : Job Shop avec affectation
26
i est affecte sur R
k
j peut tre affecte sur R
k
k i
p i
,
,
k j
p j
,
,
j
d
i
r
k
R
k i
p i
,
,
k j
p j
,
,
i
d
j
r
i j p/
k
R
} { \
k j j
R A A !
i non avant j
52
3me partie
Quelques mthodes de GP
1. Gestion des stocks
1.1. Prambule
1.2. Modle de la quantit conomique optimale (EOQ)
1.3. Exemples
2. Planification des besoins en composants
2.1. Introduction
2.2. Calcul des besoins bruts
2.3. Planification au plus tard
2.4. Calcul des besoins nets
3. Juste--temps
3.1. Introduction
3.2. Mthode Kanban
4. OPT
27
Gestion des stocks : prambule (1)
! une des plus vieilles mthodes de GP
! gestion base sur la notion de stock
stocks = 20 80 % du total du bilan d'une entreprise industrielle (selon l'activit)
! assurer un stock moyen pour
viter des stocks trop importants (coteux : immobilisation d'une source
de revenu et besoin de gestion du stock)
viter des stocks trop faibles (difficult d'adaptation aux variations de la
demande) " stocks ngatifs (ou pnurie, rupture, manque)
! 3 types de stocks
matires premires (anticiper les fluctuations des prix et les ventuelles
dfaillances des fournisseurs...)
en-cours (dcouplage des divers stades de la production et quilibrage des
flux, protection contre les arrts momentans)
produits finis (rduction des dlais de livraison, amortir les fluctuations de
la demande, de la production, parer aux priodes chmes (aot))
Gestion des stocks : prambule (2)
! Hypothses
planification moyen terme
demande prvisible et relativement constante (production sur stock)
cots de stockage et d'approvisionnement connus et constants
cots proportionnels au nombre de pices
! But
viter les ruptures de stock tout en conservant un niveau de stock le
plus faible possible
! QUAND ET COMBIEN COMMANDER ?
! Principe : minimiser une fonction de cot conomique
cot de possession li aux quantits stockes
cot de commande li au lancement en production, aux appros...
cot de rupture li aux retards de livraison
28
GdS : Modle de la Quantit
Economique de Commande (EOQ) (1)
! EOQ = "Economic Order Quantity"
! valable pour demande rgulire et taux d'appros
constant, recompltement priodique, pas de rupture
! base sur une politique optimale de gestion des stocks
dont les caractristiques sont :
succession
! d'ordres d'approvisionnement dont l'effet est de remonter le niveau du
stock, et
! de phases o le stock diminue rgulirement sous l'effet de la
demande)
# il est moins coteux d'attendre que le stock soit vide
pour passer commande (courbe y = Dx + Q)
temps de cycle = intervalle entre 2 commandes : T
cycle
= Q/D
GdS : Modle de la Quantit
Economique de Commande (EOQ) (2)
remplissage du stock non instantan (production par un site A de
l'atelier en amont du site B dont on gre le stock)
pour qu'un site A produise Q un taux P, il faut un temps Q/P,
pendant lequel la demande D du site B par unit de temps effectue un
prlvement DQ/P ; globalement, on a donc un taux P-D pendant une
dure Q/P, et on obtient Q
max
= (P-D)Q/P = (1-D/P)Q
T
cycle
=Q/D
niveau
de stock
Q
t
-
D
29
GdS : Politique optimale de gestion
des stocks dans un cadre de production
T
cycle
=Q/D
niveau
de stock
Q(1-D/P)
Q/P (Q/D-Q/P)
t
P
-
D
-
D
Q
GdS : Formule de Wilson (1)
Rappel des notations
P = taux de production par priode
Q = taille en volume de la commande (stock)
D = demande en volume par priode
T
cycle
= intervalle entre deux commandes (priode)
C
p
= cot de possession par unit de produit et par priode
C
c
= cot de commande
CT(Q) = cot total de stockage par priode
Le cot de possession entre 2 instants t1 et t2 est proportionnel au nb
cumul darticles stocks et la longueur de [t1,t2] ; il est donc
proportionnel l'aire contenue sous la courbe d'volution des stocks ;
do :
qui forme une hyperbole dont le minimum est trouv en galant zro
la drive par rapport Q. On obtient alors la formule de Wilson :
Q
DC
P
D
Q
C
T
C
D
Q
P
D
Q
C
Q CT
c
p
cycle
c
p
+ ! = "
#
#
$
%
&
&
'
(
+ ! = ) 1 (
2
1
) 1 (
2
) (
30
GdS : Formule de Wilson (2)
) (
2
*
D P C
DP C
Q EOQ
p
c
opt
!
= =
CT(Q)
Q
0
d
d
=
Q
Q CT ) (
Q*
possession
commande
global
) 1 ( 2 *) (
P
D
C DC Q CT
p c
! = "
GdS : Exemple (1)
Donnes
demande hebdomadaire d'une pice D=200 units/semaine
cot de possession C
p
=0,5 " / unit / semaine
cot administratif d'une commande = 500 "
frais de livraison = 500 "
Donc :
cot global de commande C
c
=1000 "
Hypothse : remplissage instantan du stock (fournisseur extrieur)
Q*= 895 pices
CT(Q*)=447,21 ! par semaine soit 2,24 !/pice
T*=4,47 semaines
p
c
C
D C
Q
2
* =
p c
C DC Q CT 2 *) ( =
31
GdS : Exemple (2)
Donnes
demande annuelle d'une pice D=50000 units/an
production maximale P=200000 units/an
cot de commande C
c
=500 "
cot de possession C
p
=3 "/unit/an
usine travaille H=240 jours/an
Donc :
demande journalire = 50000/240 = 208,33
production journalire = 200000/240 = 833,33
stock net journalier = 833,33 - 208,33 = 625
Production de Q units en 240Q/200000 jours, au bout desquels on aura
625.240Q/200000=0,75Q units stockes
Si Q=8000, et si le stock initial est nul, la production ncessitera 9,6
jours et permettra de stocker 6000 pices qui seront consommes en
6000/208,33=28,8 jours
Q*=4714 pices et CT(Q*)=10607 !
Planification des besoins en composants :
Introduction (1)
! Apparue aux Etats-Unis dans les annes 65-70
MRP1 : Material Requirements Planning
dans les annes 80 prise en compte de la capacit limite des
ressources (MRP2 : Manufacturing Resource Planning)
! Hypothses
planification moyen terme dans une production flux pousss
production rptitive (grande srie)
! But
anticiper la demande pour s'adapter ses variations
! QUAND ET COMBIEN PRODUIRE ?
par rapport la gestion des stocks, on met l'accent sur les
problmes lis la fabrication, les stocks apportant des contraintes
et des cots que l'on cherche minimiser
32
Introduction (2)
! Implantation
Il faut disposer d'un systme d'information informatis (donnes
physiques, donnes comptables, plan directeur de production
comportant les quantits produire par famille de produits
Master Production Schedule , les niveaux des diffrents stocks et
une organisation des moyens disponibilit variable)
MPS
BOM INV MRP
Ordres de
fabrication
Ordres
d'achat
Introduction (3)
! Principe de MRP1
3 phases
calcul des besoins bruts
planification au plus tard de la mise en fabrication des pices (ou
absorption des dlais)
calcul des besoins nets
Mise en uvre
dcisions prises chaque niveau valides par simulation
remise en cause si problme
! MRP2 : ajout d'heuristiques (agissant sur le lancement
en production de pices) pour rester dans les limites
imposes par les ressources
33
PBC : Calcul des besoins bruts
E
(1)
F
(2)
D
(2)
B
(1)
E
(1)
F
(4)
C
(2)
F
(4)
A
! Bas sur les liens de nomenclature (reprsentation arborescente)
! A se compose d'un sous-ensemble B, de deux
sous-ensembles C et de quatre pices F
! Nombre de composants pour un compos
de niveau immdiatement suprieur
(coefficient technique ou de montage)
! En final, le montage d'une unit de A
suppose de disposer de trois units de E et
de seize units de F
! Pour 200 produits A commands, il faut
approvisionner 600 pices E et 3200 pices
F : ce sont les besoins bruts
! Dfaut majeur : production non date et ne tenant pas compte des
stocks
lien
PBC : Planification au plus tard (1)
! Pour rpondre au problme de la production non
date, on va se servir du principe de calcul des besoins
bruts en prenant en compte les dcalages temporels
induits par l'attente d'un produit en un instant donn
! "On met la nomenclature l'horizontale en lui faisant
subir une rotation de 90 dans le sens des aiguilles
d'une montre."
34
! Pour fabriquer 200 produits A, on doit passer commande de 800 pices F au
dbut de la semaine -6, de 1600 au dbut de la semaine -4 et de 800 au dbut
de la semaine -3. On doit galement passer commande de 200 E au dbut de la
semaine -4 et de 400 au dbut de la semaine -3 " Politique "lot-for-lot"...
A
C
E
E
B
F D
F
F
-6 -5 -4 -3 -2 -1
! cycles de montage de A, C et D = 1 semaine
! cycle de montage de B = 2 semaines
! dlais d'approvisionnement de E = 1 semaine et F = 2 semaines
! Cycle total de fabrication d'un produit fini (A) = somme des
plus longs cycles chaque niveau de nomenclature (6)
! Parallle avec un chemin critique puisque tout retard sur ce
chemin (manant de livraison ou de fabrication) affecte
d'autant la livraison au client
! Les pices lances en fabrication sont affectes une
consommation prvue (politique lot-for-lot qui implique de
commander exactement le nombre d'articles ncessaires par
priode) " permet de travailler sans stock (en thorie)
! Inconvnient majeur de MRP1 : dcorrlation entre les
dlais et les volumes de production (qui se traduit
gnralement par l'introduction d'heures supplmentaires
pour faire face l'importance du dpassement des dlais
pour des volumes importants) # justification de MRP2
35
PBC : Calcul des besoins nets (1)
! Demande pour A sur les semaines 1 6 :
10, 20, 30, 40, 50, 50
! Stocks initiaux :
A=30, B=70, C= 100, D=100, E=100, F=500
! On part du niveau suprieur de la nomenclature : produit fini A
semaine 1 : demande couverte par le stock " stock = 20
semaine 2 : demande couverte par le stock " stock = 0
semaine 3 : lancement de 30 units en semaine 2
! Pour pouvoir lancer A, il faut disposer des composants B, C et F
Pour B :
semaines 2 et 3 :demandes couvertes par le stock " stock = 0
...
PBC : Calcul des besoins nets (2)
Semaines
1 2 3 4 5 6
Demande A 10 20 30 40 50 50
Stock initial A 30 20 0 0 0 0
Besoin net A 0 0 30 40 50 50
Lancement A 0 30 40 50 50 -
Besoin brut B 0 30 40 50 50 -
Stock initial B 70 70 40 0 0 -
Besoin net B 0 0 0 50 50 -
Lancement B - 50 50 - - -
Besoin brut C 0 60 80 100 100 -
Stock initial C 100 100 40 0 0 -
Besoin net C 0 0 40 100 100 -
Lancement C 0 40 100 100 - -
Besoin brut D 0 100 100 - - -
Stock initial D 100 100 0 - - -
Besoin net D 0 0 100 - - -
Lancement D 0 100 - - - -
Besoin brut E 0 90 150 100 - -
Stock initial E 100 100 10 0 - -
Besoin net E 0 0 140 100 - -
Lancement E 0 140 100 - - -
Besoin brut F 0 380 660 - - -
Stock initial F 500 500 120 - - -
Besoin net F 0 0 540 - - -
Lancement F 540 - - - - -
36
Juste--temps : Introduction (1)
! Apparue au Japon dans les annes 80 (Toyota)
! Hypothses
planification court terme dans une production flux tirs
flux tirs : relancer de nouvelles phases de fabrication pour
remplacer des produits ou des composants sortis des stocks
production de masse
! But
fournir le produit exactement au moment du besoin et exactement
dans la quantit dsire
minimiser les en-cours
tendre vers un flux de produits continu, approcher les quatre zros
(0 stock / 0 retard / 0 dfaut / 0 panne)
Juste--temps : Introduction (2)
! Principe
simpliste
mise en ligne des machines pour accrotre la fluidit
quipements spcialiss, oprateurs polyvalents
flux tirs et recherche des quatre 0 (runion entre les diffrents
acteurs de la production)
37
JAT : La mthode Kanban (1)
! Description
OF en provenance de l'aval = "ticket" ou "Kanban"
un Kanban comporte les informations suivantes :
! dsignation de la pice et de l'opration
! dsignation des lieux d'origine et de destination
! quantit par conteneur (conteneur sert aux manipulations inter-postes)
! nombre de tickets en circulation dans la boucle
particularit d'un Kanban : circule en permanence dans le flux de
fabrication ; il descend le flux avec les pices et le remonte une fois
les pices consommes
chaque poste de transformation possde un tableau mural de
Kanbans ; une colonne par rfrence ; chaque colonne possde des
index indiquant un niveau de lancement en fabrication possible (lot
conomique) et un seuil d'alerte imposant un lancement en urgence
(remarque : la mthode Kanban n'induit pas de 0 stock comme le voudrait le juste--temps)
! Problme
dterminer le nombre de Kanbans de chaque type ncessaires dans
l'atelier
fait par simulation ou ttonnements successifs (on enlve des
Kanbans jusqu' ce que des ruptures de stock apparaissent)
! Diffrentes phases
(a) le Kanban est mis sur le conteneur de pices qui viennent d'tre
fabriques au poste amont
(b) le Kanban accompagne le conteneur au poste suivant (en aval
du flux) et reste sur le conteneur en attente
(c) au moment o le conteneur est mis en fabrication sur le poste
aval, le Kanban est libr et retourne au poste amont
(d) le Kanban est plac dans un planning, prs du poste amont ; il
sera retir de ce planning au moment d'une nouvelle mise en
fabrication
38
! Circulation des Kanbans
Kanban sur
un conteneur
Kanban libre
flux des Kanbans
flux physique
des conteneurs
poste
amont
poste
aval
(a) (b)
(c)
(d)
planning Kanban
OPT (Optimized Production Technology)
! plus une philosophie qu'une mthode
! concept de flux tirs traduit par un flux de lancement
adapt au rythme des machine les plus lentes
! base sur un ensemble de 10 rgles de bon sens utilisant
la notion de ressource goulot
il faut quilibrer les flux (dynamique) et non les capacits (statique)
l'utilisation d'une ressource non goulot n'est pas lie sa capacit
1 h perdue sur une ressource goulot est 1 h perdue pour tout le
systme
1 h gagne sur une ressource non goulot est un leurre
les lots de fabrication doivent tre de taille variable et non fixe
calculs des besoins en composants et calcul du plan de production
doivent tre raliss simultanment (remet en cause le MRP)
...
39
Ordonnancement de projet
! Mthode chemin critique (PERT)
modlisation par graphe potentiels
recherche des ordonnancements au plus tt/tard
identification des tches critiques
caractrisation des marges
D
F
40
Algorithme gnral de rsolution
tant que il reste des variables non affectes
et que une inconsistance globale nest pas dtecte
appliquer les raisonnements
si une inconsistance est dtecte
alors si il existe des choix non explors
alors retour arrire sur un choix non explor
sinon inconsistance globale dtecte
sinon
slectionner une variable encore libre
choisir une valeur pour cette variable et mmoriser les autres
Affectation et "Branch and Bound"
Tourne
Camion
Tour 1 Tour 2 Tour 3
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
! Principe de sparation :
affecter un camion une
tourne
! Fonction d'valuation :
somme des cots minimaux
par tourne
41
tourne
par tourne
71 = 62 + 1 + 8
71 0
Tourne
Camion
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
tourne (Cam A)
par tourne
71 0
112 1
Cam A " Tour 2
Cam A " Tour 3
71 2
126 3
Cam A " Tour 1
Tourne
Camion
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
42
Tourne
Camion
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
tourne (Cam B)
par tourne
71 0
83 4
Cam B " Tour 1
Cam B " Tour 3
151 5
112 1
Cam A " Tour 2
Cam A " Tour 3
71 2
126 3
Cam A " Tour 1
Tourne
Camion
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
tourne (optimum)
par tourne
71 0
83 4
Cam B " Tour 1
112 1
Cam A " Tour 2
Cam A " Tour 3
71 2
126 3
Cam A " Tour 1
(Cam C " Tour 3) 151 5
Cam B " Tour 3
43
Tourne
Camion
Cam A 94 1 54
Cam B 74 10 88
Cam C 62 88 8
tourne (optimum)
par tourne
71 0
83 4
Cam B " Tour 1
112 1
Cam A " Tour 2
Cam A " Tour 3
71 2
126 3
Cam A " Tour 1
(Cam C " Tour 3) 151 5
Cam B " Tour 3
! Les nuds pendants sont sonds par test d'optimalit
Programme linaire
min '
ijk
x(i,j,k)
sous
(j,k, '
ijk
x(i,j,k) < 1
(i,j,k, x(i,j,k) - x(i,j,k-1) < 1
(j, '
ik
t(i,j)*x(i,j,k) < tmax(j)
t(i,j) ) R
x(i,j,k) ) {0,1}
critre
contraintes globales
contraintes de domaines
! rsolution par solveurs : Xpress-MP, Cplex, Excel, Matlab (Tool
Box "Optimisation")
1re phase : relaxation en variables continues (Simplexe)
2me phase : optimisation combinatoire

Gestion de Production: Pierre Lopez

Uploaded by

Document Information

Original Title

Copyright

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Gestion de Production: Pierre Lopez

Uploaded by

Copyright:

1

P. Lopez ! LAAS-CNRS Gestion de Production 1

You might also like